改进的RBF网络在区域需水预测中的应用

利用径向基函数神经网络,建立了区域用水量预测模型,改进了RBF网络学习方法;根据某地区近年来影响用水量主要影响因素的数据对该网络进行训练,并用训练好的网络模型对该区域以往和今后不同年份的用水量进行预测;对以往用水量预测结果表明该模型有较高预测精度、通用性和客观性.     

径向基函数神经网络预测城市用水量模型及应用

以城市用水人口和城市生产总值作为输入向量,年用水量数据作为目标向量,建立了径向基函数神经网络并对城市用水量进行预测。采用不同的扩展速度,预测误差不同。当扩展速度spread=1时,预测数据与实际数据的相对误差均小于0.05%,取得了很好的预测效果,说明采用径向基函数神经网络模型预测城市用水量的方法是可行的。     

RBF网络预测城市用水量模型

考虑了影响城市用水量的气温、节假日和阴晴状况等因素，利用径向基函数网络(RBF网络)建立了日用水量的动态预测模型。先用实际配水系统的用水量数据训练网络，之后用训练好的网络模型预测实际配水系统的用水量数据，结果显示预测精度良好，其残差序列的自相关系数落在95％的置信区间内。     

基于RBF网络的城市供水短期负荷预测

根据城市用水量序列的非线性时序特点,利用径向基函数神经网络(RBF网络)建立城市用水量短期预测模型,并采用某市日用水量和小时用水量的实际数据分别进行了建模和预测,结果显示该方法具有建模简便实用、预测精度良好的优点,可满足实际需要。     

应用实用动态组合模型预测城市日用水量

将时间序列中的日用水量历史数据引入以温度等作变量的回归分析模型，建立了日用水量非线性回归组合预测模型，同时为进一步提高预测精度，用4阶自回归模型对回归残差序列进行时间序列分析，建立了日用水量预测实用动态组合模型。以华北某市日用水量的实测数据对其进行检验，结果表明该模型具有较高的预测精度。     

利用BP网络建立预测城市用水量模型

利用神经网络法对城市用水量建立了具有时间序列的预测模型,并提出了基于该模型的数据处理方法,并结合某城市给水系统进行了用水量负荷预测,预测结果和实际情况有很好的一致性。     

基于加权组合预测模型的城市用水量预测

介绍了移动算术平均预测法和BP神经网络理论在城市用水量预测方面的应用,并运用组合权系数优化理论,将移动算术平均预测法模型和BP神经网络预测模型进行加权组合。经吉首市实例验证,表明加权组合预测模型较单一的移动算术平均预测法模型和BP神经网络预测模型更全面,计算结果更精确,拟合效果更好。该模型能为我国中小城市用水量预测提供参考。     

人工神经网络法预测时用水量

根据城市时段用水量序列的季节性，趋势性及随机扰动等特点，利用人工神经网络（ANN）法建立了短期用水量预报模型，并采用某市时用水量的实测数据进行了建模和时用水量预测，通过与时间序列码角函数分析法，灰色系统理论预测法，小波分析法的预测结果相比较，证实该法具有预测误差小和计算速度快的特点，可满足供水系统调度的实际需要。     

改进单指数平滑法预测某市日用水量

为实现供水管网经济、可靠、科学的优化调配用水量,给出一种基于改进单指数平滑预测方法,该预测方法引进"追踪信号"来反应时间序列的变化,通过重新修正平滑常数a以建立改进单指数预测模型。以东北某城市日用水量为原始数据进行了实际预测,模型精度检验的结果满足Y市用水量要求,该预测模型应用于Y市的日用水量预测,为Y市供水优化调配提供有效依据。     

基于灰色RBF组合模型的城市用水量预测

为解决城市用水量预测中单一方法预测精度不高的问题,建立了灰色径向基（RBF）神经网络组合模型。对比实验结果表明,灰色GM（1,1）模型、RBF神经网络模型和灰色RBF神经网络组合模型的平均相对误差分别为2．1222％,1．2562％和0．6821％。与灰色GM（1,1）模型和RBF神经网络相比,灰色RBF神经网络组合模型充分发挥了灰色系统的贫乏数据建模和RBF神经网络的高度非线性映射能力的双重优势,具有较高的预测精度,更适合用于城市用水量预测。     

混沌局域法与神经网络组合供水量预测

城市供水量是非线性、非平稳时间序列,组合预测模型能获得更高精度预测结果。通过深入分析混沌局域法与神经网络预测模型特点,提出了一种新的组合预测模型。首先,应用混沌局域法对城市日供水量进行初预测,然后,应用神经网络对预测结果进行修正。由于所提出的组合模型利用了混沌局域法及神经网络进行优势互补,能同时提高预测精度与计算效率。为验证所提出组合预测模型的可行性,采用某市7a实测供水量数据,对混沌局域法、BPNN、RBF及GRNN神经网络4种单一预测模型及相应的3种组合模型预测精度进行定量分析,结果表明,组合预测模型精度都高于对应单一预测模型,混沌局域法与GRNN神经网络组合模型预测精度最高,且运算时间远低于单一神经网络模型运算时间。     

大型地下厂房三种涌水量预测模型分析

在地下工程开挖过程中,地下涌水量对施工人员的安全及工程的安全性有较大的影响。由于地下涌水量的影响因素复杂且呈非线性关系,为了能更准确地预测涌水量,采用某大型厂房地下涌水量的原始数据,通过对地下涌水量建立灰色预测模型、回归预测模型以及时间序列预测模型,预测出地下涌水量的发展趋势,对比分析表格数据、图表特征以及预测精度,得出灰色预测模型预测效果最佳。研究表明,灰色预测模型可以在较少数据的基础上达到合理预测的目的。研究结果可对工程安全提供参考,为类似工程提供借鉴。     

Using extreme learning machines for short-term urban water demand forecasting

This study explores the ability of various machine learning methods to improve the accuracy of urban water demand forecasting for the city of Montreal (Canada). Artificial Neural Network (ANN), Support Vector Regression (SVR) and Extreme Learning Machine (ELM) models, in addition to a traditional model (Multiple linear regression, MLR) were developed to forecast urban water demand at lead times of 1 and 3 days. The use of models based on ELM in water demand forecasting has not previously been explored in much detail. Models were based on different combinations of the main input variables (e.g., daily maximum temperature, daily total precipitation and daily water demand), for which data were available for Montreal, Canada between 1999 and 2010. Based on the squared coefficient of determination, the root mean square error and an examination of the residuals, ELM models provided greater accuracy than MLR, ANN or SVR models in forecasting Montreal urban water demand for 1 day and 3 days ahead, and can be considered a promising method for short-term urban water demand forecasting.     

一种基于补偿模糊神经网络的水质预测方法

在污水处理系统过程控制中,对水质变化规律进行预测是控制系统可靠、稳定运行的重要环节。介绍了基于模糊逻揖和神经网络的补偿神经网络(CFNN)及其学习算法,利用CFNN学习速度快、学习过程稳定、全局动态优化运算等特点,建立污水处理厂CFNN的水质预测模型。实例预测结果表明该模型对初始值的选择不敏感,具有很好的收敛性和预测精度,适合实际工程应用。     

城市用水量的混沌特性与预测

采用混沌理论对城市用水量时间序列的混沌特性进行了判定。基于最大Lyapunov指数法,提出了城市用水量短期预测的模型以及多步预测的步骤。实例研究表明,基于最大Lya-punov指数法的预测结果明显好于BP神经网络法,在计算得出的最大可预测时间尺度内预测精度较高,而在最大可预测时间尺度外的预测精度大为下降。     

人工神经网络模型在应对城市内涝中的应用

现在城市排水系统的规划和运营管理一般不考虑城市下游受纳水体变化的影响,这也是国内城市内涝频发的原因之一。目前,越来越多的城市应用模型来应对城市内涝,模型中受纳水体的水位一直以来都是利用经验设定一个恒定值。本文利用ANN(人工神经网络)技术,以城市上游观测站的实测水位为输入,以城市未来某时段的水位为目标选择合理的参数,建立了预测河流水位模型。利用更准确的动态预测值代替恒定值,可以提高城市排水系统水力模型的精度。选择某地区水位站的资料,对预报模型进行了检验,结果表明,在合理选择输入层数据和预测时间段的条件下,可以取得很好的预报结果。     

Large metropolitan water demand forecasting using DAN2, FTDNN,and KNN models: A case study of the city of Tehran,Iran

Efficient operation of urban water systems necessitates accurate water demand forecasting. We present daily, weekly, and monthly water demand forecasting using dynamic artificial neural network (DAN2), focused time-delay neural network (FTDNN), and K-nearest neighbor (KNN) models for the city of Tehran. The daily model investigates whether partitioning weekdays into weekends and non-weekends can improve forecast results; it did not. The weekly model yielded good results by using the summation of the daily forecast values into their corresponding weeks. The monthly results showed that partitioning the year into high and low seasons can improve forecast accuracy. All three models offer very good results for water demand forecasting. DAN2, the best model, yielded forecasting accuracies of 96%, 99%, and 98%, for daily, weekly, and monthly models respectively.     

城市供水管网漏损时间的预测模型研究

城市供水企业迫切需要加强给水管网的漏损管理，以减少漏损水量和提高经济效益。在对华北某市供水管网漏损数据进行统计和分析的基础上，按照管段实际发生漏损次数分两种情况建立了供水管网漏损时间的预测模型，对漏损次数≤4次的管段采用基于SAS系统的多元线性回归方法，对漏损次数〉4次的管段则采用灰色预测方法。经实例验证，多元线性回归方法预测的平均相对误差为21％，灰色预测方法预测的平均相对误差〈6％，整套模型的精度可满足城市供水管网漏损宏观管理的需要，能够提高管网漏损防治的效率。     

Assessment of predictive uncertainty within the framework of water demand forecasting using the Model Conditional Processor (MCP)

This paper presents an application of the Model Conditional Processor (MCP), originally proposed by Todini (2008) within the hydrological framework, to assess the predictive uncertainty in water demand forecasting related to water distribution systems. The MCP enables us to assess the probability distribution of the future water demand conditional on the forecasts provided by two or more deterministic forecasting models. In the numerical application described here, where two years of hourly water demand data for a town in northern Italy are considered, two forecasting models are applied in order to forecast hourly water demands from 1 to 24 hours ahead: the first model has a modular structure comprising a periodic component which reflects the long-term effects and a persistence component which represents the short-term memory of the process; the latter is based on neural networks. The results highlight the effectiveness of the approach, provided that the data set used for the MCP parameterization is properly selected so as to be actually representative of the accuracy of the real-time water demand forecasting models.     

基于时间序列支持向量回归模型的变形监测研究

论述了支持向量机的回归算法,提出了基于时间序列支持向量回归的变形预测方法,并在MATLAB 6.5中编制了相应的基于时间序列支持向量回归程序,建立了相应的基于时间序列支持向量回归模型。以实例数据讨论了基于时间序列支持向量机回归模型的预测方法。研究表明：用时间序列支持向量回归模型建立变形监测的预测模型是可行的和有效的。